Time series models may be useful wh

Time series models may be useful when a structural model is inappropriate. For example, suppose that there is some variable yt whose movements a researcher wishes to explain. It may be that the variables thought to drive movements of yt are not ob- servable or not measurable, or that these forcing variables are measured at a lower frequency of observation than yt . For example, yt might be a series of daily stock returns, where possible explanatory variables could be macroeconomic indicators that are available monthly. Additionally, as will be examined later in this chapter, structural models are often not useful for out-of-sample forecasting. These observations motivate the con- sideration of pure time series models, which are the focus of this chapter.
The approach adopted for this topic is as follows. In order to define, estimate and use ARIMA models, one first needs to specify the notation and to define several important concepts. The chapter will then consider the properties and characteristics of a number of specific models from the ARIMA family. The book endeavours to answer the following question: ‘For a specified time series model with given parameter values, what will be its defining characteristics?’ Following this, the problem will be reversed, so that the reverse question is asked: ‘Given a set of data, with characteristics that have been determined, what is a plausible model to describe that data?’

Kết quả (Việt) 1:

Thời gian loạt các mô hình có thể hữu ích khi một mô hình cấu trúc là không thích hợp. Ví dụ, giả sử là có một số biến yt phong trào mà một nhà nghiên cứu muốn giải thích. Nó có thể là rằng các biến cho lái xe chuyển động của yt là không ob-servable hoặc không thể đo lường được, hoặc những buộc biến được đo ở một tần số thấp hơn của các quan sát hơn yt. Ví dụ, yt có thể là một loạt các trả về chứng khoán hàng ngày, nơi có thể giải thích biến thể chỉ số kinh tế vĩ mô mà có sẵn hàng tháng. Ngoài ra, như sẽ được kiểm tra sau đó trong chương này, cấu trúc mô hình là thường không hữu ích cho out-of-mẫu dự báo. Những quan sát thúc đẩy sideration con tinh khiết thời gian dòng mô hình, đó là trọng tâm của chương này.Cách tiếp cận được thông qua cho chủ đề này là như sau. Trong đặt hàng để define, dân số ước tính và sử dụng mô hình ARIMA, nhu cầu một chính để xác định các ký hiệu và define một số khái niệm quan trọng. Các chương sau đó sẽ xem xét tính chất và đặc điểm của một số mô hình specific từ gia đình ARIMA. Cuốn sách luôn trả lời câu hỏi sau đây: 'Cho một specified thời gian loạt các mô hình với đưa ra giá trị tham số, những gì sẽ là các đặc tính defining?' Sau đó, vấn đề sẽ được đảo ngược, do đó câu hỏi đảo ngược được yêu cầu: 'Cho một tập hợp các dữ liệu, với đặc điểm đã được xác định, những gì là một mô hình chính đáng để mô tả dữ liệu đó?'

Kết quả (Việt) 2:

Mô hình chuỗi thời gian có thể hữu ích khi một mô hình cấu trúc là không phù hợp. Ví dụ, giả sử rằng có một số biến yt có phong trào một nhà nghiên cứu muốn giải thích. Nó có thể là các biến qua việc điều khiển chuyển động của yt không quan sát servable hoặc không thể đo lường được, hoặc các biến buộc được đo ở tần số thấp hơn so với quan sát yt. Ví dụ, yt có thể là một loạt các lợi nhuận cổ phiếu hàng ngày, nơi mà các biến giải thích có thể có thể là các chỉ số kinh tế vĩ mô mà có sẵn hàng tháng. Ngoài ra, như sẽ được xem xét trong chương này, mô hình cấu trúc thường không hữu ích để dự báo out-of-mẫu. Những quan sát động viên các sideration dựng các mô hình chuỗi thời gian tinh khiết, đó là trọng tâm của chương này.
Các phương pháp tiếp cận cho chủ đề này là như sau. Để de fi ne, ước lượng và sử dụng mô hình ARIMA, một fi đầu tiên cần phải xác định các ký hiệu và để de fi ne một số khái niệm quan trọng. Chương trình sau đó sẽ xem xét các tính chất và đặc điểm của một số mô hình Speci fi c từ các gia đình ARIMA. Các nỗ lực cuốn sách để trả lời các câu hỏi sau: "Đối với một fi ed thời gian loạt mô hình đặc hiệu với định giá trị tham số, những gì sẽ được đặc de fi hoạch của mình? ' Sau này, các vấn đề sẽ được đảo ngược, do đó câu hỏi ngược được hỏi: '? Cho một tập hợp dữ liệu, với các đặc tính đã được xác định, những gì là một mô hình hợp lý để mô tả dữ liệu'